Aanvalsdetectie bij epilepsie
Uitgangsvraag
Wat is de betrouwbaarheid en bruikbaarheid in de thuis- of woonsituatie van aanvalsdetectie gebaseerd op beweging, hartslagfrequentie(variabiliteit), electromyografie, geluid en elektrodermale activiteit voor het detecteren van en alarmeren over epileptische aanvallen bij patiënten met epilepsie.
Aanbeveling
Overweeg het gebruik van aanvalsdetectieapparatuur bij patiënten met epilepsie met een hoog risico op aanvalscomplicaties en beperkt toezicht. Stem het type aanvalsdetectie zo goed mogelijk af op de specifieke patiënt (situatie). Overweeg bij volwassenen met nachtelijke aanvallen de Nightwatch, voor aanvallen overdag zijn er meerdere apparaten die overwogen kunnen worden (Epicare Mobile, EDDI/Brain Sentinel). Voor andere apparaten is naar de mening van de werkgroep nog onvoldoende bewijs. Overweeg bij jonge kinderen met aanvallen in de slaap het gebruik van een babyfoon met camera, en bij kinderen vanaf 4 jaar net als bij volwassenen de Nightwatch of Emfit.
De epilepsiecentra SEIN en Kempenhaeghe kunnen bij de inventarisatie ondersteunen. Er zijn daar gespecialiseerde poliklinieken die na kunnen gaan of er mogelijk bruikbare methoden beschikbaar zijn bij die specifieke patiënt en indien dit het geval is kan de beste methode onderzocht worden.
Maak de keuze wel of geen aanvalsdetectie in overleg met de patiënt en/of zijn of haar familie of verzorgers, waarbij de voor- en nadelen en de doelen van aanvalsdetectie dienen te worden gesproken. Neem hierin ook de haalbaarheid van de opvolging van alarmen mee.
Overwegingen
De laatste jaren is aanvalsdetectie in de woonsituatie van patiënten met epilepsie sterk in ontwikkeling. Veel apparatuur voor aanvalsdetectie is gebaseerd op beweging. Het ritmische clonische bewegingspatroon tijdens tonisch-clonische aanvallen is de hoeksteen van aanvalsdetectie gebaseerd op beweging. De meest gebruikte bewegingssensoren zijn accelerometers (Arends, 2018). De sensitiviteit wisselt tussen de studies van 31% tot 100%. Ook de frequentie fout positieve alarmen varieert, waarbij belangrijk is om te melden dat er in de nacht weinig fout positieve alarmen gevonden worden in de verschillende studies.
Er is ook aanvalsdetectie apparatuur dat gebaseerd is op oppervlakte EMG. Hierbij wordt geen gebruik gemaakt van een beweging zelf maar de spieractiviteit die deze beweging initieert. Bij correct geplaatste apparatuur is de sensitiviteit hiervan hoog. De frequentie fout positieve alarmen varieert ook bij dit type aanvalsdetectie.
De gevonden variatie tussen alle studies is onder andere afhankelijk van het type aanvallen; tonisch-clonische aanvallen worden logischerwijs beter gedetecteerd dan aanvallen zonder of met minder motorische verschijnselen. Bovendien zijn de sensitiviteit en fout positieve alarmen afhankelijk van de ingestelde grenswaarden, zoals de minimale duur van de aanvallen die gedetecteerd kunnen worden. De algoritmen die gebruikt worden zijn complex en niet goed onderling te vergelijken, dit kan de variatie in de resultaten deels verklaren. Vrijwel alle studies zijn verricht op epilepsie monitoring units, er zijn vooralsnog slechts weinig studies gedaan in de thuis- of woonsituatie, de zogenoemde phase 4 studies (Beniczky, 2017).
Studies waarin matrassensoren worden onderzocht geven zeer wisselende resultaten. In twee relatief kleine studies lijkt de Emfit matrassensor (nachtelijke) gegeneraliseerd tonisch clonische aanvallen vrij goed te kunnen detecteren.
Er is vooralsnog weinig onderzoek verricht naar aanvalsdetectie dat specifiek gebaseerd is op geluid.
Epileptische aanvallen kunnen autonome functies veranderen, onder andere ictale tachycardie is een veel voorkomend verschijnsel, met name bij tonisch-clonische aanvallen. Veranderingen in autonome functie kunnen tevens voorafgaan aan ictale EEG-ontladingen, een voorbeeld hiervan is pre-ictale tachycardie (Westrhenen 2018, Behbahani et al., 2016). Aanvalsdetectie gebaseerd autonome functieveranderingen is over het algemeen redelijk sensitief, echter met name de algoritmen gebaseerd op een enkele modaliteit geven te veel fout positieve alarmen. Het gebruik van multimodale algoritmen en personalisatie van algoritmen lijkt betere resultaten te geven.
Recent werd een studie naar de Nightwatch (Arends 2018) gepubliceerd, een multimodale sensor die gebruik maakt van hartfrequentie en accelerometrie. Dit gaf een goede sensitiviteit voor het detecteren van nachtelijke klinische belangrijke aanvallen bij volwassen patiënten in de thuissituatie, met een acceptabel aantal fout positieve alarmen. De Nightwatch wordt in de praktijk steeds meer gebruikt, waarbij bij individuele patiënten getest kan worden of deze geschikt is. Onderzoek naar de Nightwatch bij kinderen loopt nog, de eerste resultaten lieten zien dat grote aanvallen ook bij kinderen goed gedetecteerd werden.
Er zijn geen studies beschikbaar die apparatuur vergelijken, maar voor nachtelijke klinisch belangrijke aanvallen is er volgens de expert opinion van de werkgroep voor de Nightwatch bij volwassenen de meeste onderbouwing. Voor aanvallen overdag zijn er meerdere apparaten die enige evidentie hebben getoond (Epicare Mobile, Eddi/Brain Sentinel).
De aanbeveling is om in ieder geval aanvalsdetectie te overwegen. Met name in de nacht, als er een minder goede observatie mogelijkheid is, kan het detecteren van epileptische aanvallen zinvol zijn. Dit geldt niet voor elke patiënt, maar vooral voor degene met frequente of ernstige aanvallen waarbij er een hoog risico is op aanvalscomplicaties zoals verwondingen of sudden unexpected death in epilepsy (SUDEP). Een ander argument voor aanvalsdetectie bestaat als het wenselijk is het aantal aanvallen objectief te registreren.
Bij individuele patiënten, geselecteerd op type aanvallen, mate van voorkomen en andere karakteristieken, kan middels onderzoek met geselecteerde aanvalsdetectoren nagegaan worden of deze goed bruikbaar zijn. Indien gewenst kan voor de inventarisatie verwezen worden naar de gespecialiseerde poliklinieken van de epilepsiecentra Kempenhaeghe en SEIN. Aldaar kan bij individuele patiënten, geselecteerd op type aanvallen, mate van voorkomen en andere karakteristieken, middels onderzoek met geselecteerde aanvalsdetectoren nagegaan worden of deze goed bruikbaar zijn. Daarbij wordt dan ook een beeld gekregen van de sensitiviteit, de frequentie van fout-positieve alarmen en gemiste aanvallen bij de individuele patiënten zodat een duidelijke afweging van nut en noodzaak gemaakt kan worden. Belangrijk om te benoemen is dat de zorgverzekeringen in het algemeen de aanvalsdetectie apparatuur nog niet vergoeden.
Informatie over aanvalsdetectiemethoden valt ook te lezen op de website https://aanvalsdetectie.nl die behulpzaam kan zijn bij het opzoeken van de laatste stand van zaken. Dit vooral omdat dit onderzoeksveld sterk in bewegingen is en nieuwe bevindingen zich kunnen aandienen voordat deze in de richtlijn definitief kunnen worden opgenomen.
Onderbouwing
Achtergrond
Het is belangrijk om te weten hoe vaak iemand een epileptische aanval heeft. In de praktijk gebeurt dit door patiënten en andere betrokkenen de aanvallen in een dagboek te laten bijhouden. Apparaten die betrouwbaar aanvallen kunnen registreren zullen nauwkeuriger zijn. De behandeling kan met behulp van automatische aanvalsdetectie worden afgestemd op een objectieve aanvalsfrequentie, vooral ook door te registreren op momenten die anders mogelijk onopgemerkt zouden blijven (bijvoorbeeld in de nacht).
Tevens kan aanvalsdetectie worden gebruikt voor het alarmeren bij het optreden van een epileptische aanval; het is aannemelijk dat hiermee de morbiditeit en mortaliteit bij patiënten met epilepsie wordt verlaagd. Dit kan bijdragen aan een betere kwaliteit van leven.
Er zijn veel verschillende (ambulante) methodes van aanvalsdetectie, dit is de laatste jaren sterk in ontwikkeling. Beschikbare systemen zijn bijvoorbeeld accelerometers die bewegingen en lichaamshouding registreren, matrassensoren, electromyografie om de spieractiviteit te meten, ECG om de hartfrequentie en variabiliteit hierin te meten, geluidsdetectiesystemen en systemen die electrodermale activiteit, saturatie of respiratie meten.
In woonzorginstellingen wordt vooral gewerkt met geluidsdetectiesystemen ter bewaking van nachtelijke aanvallen. De meeste tonisch-clonische aanvallen worden hiermee opgemerkt, maar stille aanvallen kunnen worden gemist. Videomonitoring heeft eerder een diagnostische rol dan dat het ingezet kan worden voor continue bewaking. In de thuissituatie wordt vaak gebruik gemaakt van een babyfoon.
Verdere informatie over aanvalsdetectiemethoden valt te lezen op de website van het TeleConsortium Aanvalsdetectie (https://aanvalsdetectie.nl).
Conclusies
|
Laag |
Er zijn aanwijzingen dat de sensitiviteit van aanvalsdetectie gebaseerd op accelerometrie voor het detecteren en alarmeren van epileptische aanvallen met motorische verschijnselen bij patiënten met epilepsie hoog is.
(Beniczky et al., 2013; Kramer et al., 2011; Meritam et al., 2018; Nijsen et al., 2005; Patterson et al 2015.; Velez et al., 2016) |
|
Laag |
Er zijn aanwijzingen dat de frequentie fout-positieve alarmen bij aanvalsdetectie gebaseerd op accelerometrie bij patiënten met epilepsie (met name bij nachtelijk registreren) acceptabel is.
(Beniczky et al., 2013; Kramer et al., 2011; Meritam et al., 2018; Velez et al,. 2016) |
|
Zeer laag |
De sensitiviteit van aanvalsdetectie gebaseerd op autonome veranderingen, geluid of matrassensoren voor het detecteren van epileptische aanvallen is hoog bij geselecteerde patiëntengroepen.
(Arends, 2016; Boon et al., 2018; Fulton et al., 2012; Narechania et al., 2013; van Poppel et al., 2013; Van Westrhenen et. al., 2018) |
|
Zeer laag |
De frequentie fout-positieve alarmen bij aanvalsdetectie gebaseerd op autonome veranderingen, geluid of matrassensoren voor het detecteren van epileptische aanvallen is wisselend.
(Arends, 2016; Boon et al., 2018; Fulton et al., 2012; Narechania et al., 2013; van Poppel et al., 2013; Van Westrhenen et. al., 2018) |
|
Matig |
Het is aannemelijk dat oppervlakte EMG een sensitief instrument is voor het detecteren van gegeneraliseerd tonisch-clonische aanvallen, mits de elektroden van het apparaat zorgvuldig op de juiste plaats worden aangebracht.
(Szabó et al., 2015; Halford et al., 2017; Benickzy et al., 2018b) |
|
Matig |
Het is aannemelijk dat de frequentie fout-positieve alarmen bij aanvalsdetectie gebaseerd op oppervlakte EMG voor het detecteren van gegeneraliseerd tonisch-clonische aanvallen acceptabel is, vooral wanneer monitoring in de nacht plaatsvindt.
(Szabó et al., 2015; Halford et al., 2017; Benickzy et al., 2018b) |
|
Laag |
De sensitiviteit van aanvalsdetectie met de Nightwatch (gebaseerd op een combinatie van modaliteiten) voor het detecteren van nachtelijke klinisch belangrijke epileptische aanvallen is hoog.
(Arends et al., 2018) |
|
Laag |
De frequentie fout-positieve alarmen van aanvalsdetectie met de Nightwatch (gebaseerd op een combinatie van modaliteiten) voor het detecteren van nachtelijke klinisch belangrijke epileptische aanvallen is acceptabel.
(Arends et al., 2018) |
Samenvatting literatuur
Er zijn zes observationele studies gevonden die aanvalsdetectie op basis van accelerometrie hebben onderzocht. De studies die volgens de classificatie van Benickzy&Ryvlin (2018) als niveau 0 of 1 geclassificeerd worden zijn niet meegenomen.
De meeste studies onderzochten patiënten (kinderen en/of volwassenen) met epilepsie opgenomen op een epilepsie monitoring unit met aanvallen met motorische verschijnselen, met (volgens de oude terminologie) primair of secundair gegeneraliseerd tonisch-clonische aanvallen, tonische, clonische of myoclonische aanvallen. Er is geen meta-analyse van de studieresultaten uitgevoerd vanwege grote verschillen tussen studies in de gebruikte apparaten en afkapwaarden.
Nijsen (2005) onderzocht aanvalsdetectie op basis van accelerometrie bij personen met een verstandelijke beperking en ernstige epilepsie in een lang verblijf afdeling. Het type device werd niet opgegeven. De data werd achteraf geanalyseerd. Er bleken 29 maal zo veel aanvallen te zijn dan op voorhand werd verwacht, en zevenmaal meer aanvallen dan door de verzorgers werden gezien. 48% van de aanvallen werd gedetecteerd middels de accelerometer, met name de complex partiele insulten zonder motorische verschijnselen werden niet gedetecteerd.
In de studie van Kramer (2011) werd een “Movement Sensor” onderzocht bij 21 patiënten met epileptische aanvallen met motorische verschijnselen. Van de 22 aanvallen werden er 20 gedetecteerd, dit is 91%. Alle aanvallen die langer dan 30 seconden duurden werden gedetecteerd. Er waren 8 fout positieve meldingen in 1692 uur registreren, dit is minder dan 0,005/uur.
Beniczky (2013) onderzocht kinderen en volwassenen met epilepsie opgenomen op een epilepsie monitoring unit met (volgens de oude terminologie) gegeneraliseerd tonisch-clonische aanvallen. De interventie betreft een band met een accelerometer om de pols (Epi-Care free). Er was sprake van real time analyse en alarmering. Hetzelfde device (Epi-Care, model free of mobile) werd nadien in de woonsituatie van onderzocht om de toepasbaarheid en bruikbaarheid in de thuissituatie te kunnen beoordelen, dit gebeurde door middel van een gestructureerd interview en vragenlijst (Meritam, 2018)
De gemiddelde sensitiviteit per patiënt van de Epi-Care was 91% (95%BI 80-100%) in de studie van Benickzy (2013). Vergelijkbare resultaten werden gevonden in de thuissituatie (Meritam, 2018). De frequentie fout-positieve alarmen van de Epi-Care was 0,2 per dag in de studie van Benickzy (2013), en 0,1 per dag in de studie van Meritam (2018).
Patiënten waren over het algemeen genomen tevreden over het gebruik van de Epi-Care, zij gaven een mediane score van 5.5 op de 7-punts Likertschaal. 11% van de patiënten ervaarde milde bijwerkingen in de vorm van huidirritatie of interferentie met elektronische huishoudelijke apparaten (Meritam, 2018).
Lockman (2011) onderzocht de SmartWatch, een sensor in de vorm van een band om pols of enkel gebaseerd op accelerometrie. In deze studie maakten slechts 6 patiënten in totaal 8 gegeneraliseerd tonisch clonische aanvallen door, derhalve betreft dit een fase 1 studie. Patterson (2015) onderzocht later in een grotere prospectieve studie de sensitiviteit van de SmartWatch bij 143 kinderen en jong-volwassenen op een epilepsie monitoring unit. De sensitiviteit voor het detecteren voor gegeneraliseerd tonisch-clonische aanvallen was hierbij beduidend lager, slechts 31%. Er werd in deze studie niet gekeken naar fout-positieve alarmen.
De SmartWatch werd tevens onderzocht door Velez (2016) bij volwassenen met (volgens de oude terminologie) tonisch-clonische aanvallen. Er werden van de 13 aanvallen er 12 gedetecteerd, dit is 92,3%.
Er waren 81 fout-positieve meldingen, onduidelijk in hoeveel dagen registratie. Indien de SmartWatch een aanval detecteerde vibreerde het, waarna patiënten op een knop konden drukken om het alarm te annuleren. Dit annuleren gebeurde bij 51,8% van deze fout-positieve meldingen. Slechts één van de fout-positieve meldingen gebeurde ’s nachts.
Aanvalsdetectie gebaseerd op oppervlakte EMG
Er werden drie relevante studies gevonden die aanvalsapparatuur gebaseerd op elektromyografie (EMG) onderzochten in een design van niveau 2 of hoger (Beniczky & Ryvlin, 2018. Tijdens een (volgens de oude nomenclatuur) tonisch-clonische epileptische aanval worden specifieke veranderingen gezien van kwantitatieve parameters van oppervlakte EMG (Beniczky, 2018a).
Een algoritme dat gebruik maakt van oppervlakte EMG werd gebruikt in de studie van Szabó (2015). De registratie in deze studie betreft oppervlakte EMG-elektroden op de arm (biceps, triceps). Er werden 33 patiënten met refractaire epilepsie geïncludeerd. Het onderzoek werd offline uitgevoerd waarbij de EMG detector middels een gepatenteerd algoritme moest alarmen binnen 60 seconden na de tonisch clonische activiteit op een video EEG. Voor de registratie is een rust en maximale aanspanning nodig om het algoritme in te stellen. De sensitiviteit van het detecteren van gegeneraliseerd tonisch-clonische aanvallen was 95% (95%BI 76-100%). Slechts 1 van de 21 aanvallen werd niet gedetecteerd, vermoedelijk omdat de arm van de persoon waaraan de detector zat, klem zat tussen het bed. Andere type aanvallen (myoclonische, tonische, absence, focale aanvallen en niet-epileptische aanvallen) en dagelijks leven activiteiten werden niet gedetecteerd. Er was slechts 1 fout-positief alarm in 1399 uur registreren.
Bovenbeschreven algoritme werd geïmplementeerd in een specifiek apparaat ontwikkeld door Brain Sentinel. Halford (2017) onderzocht de betrouwbaarheid van dit apparaat voor het detecteren van gegeneraliseerd tonisch clonische aanvallen in een multicenter studie. De gebruikte elektroden werden op de spierbuik van een van de mm. biceps brachii van 199 kinderen en volwassenen geplakt. De sensitiviteit was 76%. De frequentie fout positieve alarmen was 2,52/dag. Tijdens de studie bleek de precieze plaatsing van de elektroden belangrijker dan initieel gedacht. In een subgroep met correct geplaatste apparatuur was de sensitiviteit 100%.
Ook Beniczky (2018b) onderzocht aanvalsapparatuur gebaseerd op oppervlakte EMG, namelijk de Epileptic seizure Detector Developed by IctalCare (EDDI). Het algoritme dat gebruikt werd, is gebaseerd op veranderingen in frequentie en amplitude van spieractiviteit en werd eerder beschreven door Conradsen (2012). 71 Patiënten opgenomen op een epilepsie monitoring unit kregen de EDDI op een van beide m. biceps brachii geplakt. De sensitiviteit voor het detecteren van gegeneraliseerd tonisch clonische aanvallen was 93,8%. Andere typen aanvallen werden niet gedetecteerd. Er waren 0,67 foutief positieve alarmen per dag. Tijdens in totaal 3735,5uur opnametijd waren er slechts 2 nachtelijke foutief positieve alarmen.
Aanvalsdetectie gebaseerd op geluid
Er werd één observationele studie gevonden van aanvalsdetectie gebaseerd op geluid (Arends et al., 2016). In deze studie werd het gebruik van een monitoringsysteem gebaseerd op geluid, onderzocht bij patiënten met een intellectuele beperking en ernstige epilepsie, wonende in een gespecialiseerde woonvorm. In het eerste deel van het onderzoek werd gekeken hoeveel patiënten herkenbare geluiden hebben tijdens grote (tonisch-clonische en lange gegeneraliseerd tonische aanvallen). Dit was het geval bij 23 van de 45 grote aanvallen. In het tweede deel werd het gebruik van een monitoringsysteem gebaseerd op geluid (CLD-monitor), onderzocht bij 10 patiënten met grote aanvallen met herkenbare geluiden. De geluidsfragmenten werden handmatig geanalyseerd. De gemiddelde sensitiviteit was 0,81 (range 0,33-1,00). De frequentie van fout-positieve alarmen was 1,29 per nacht, dit betrof telkens kleinere aanvallen, waarbij er geen noodzaak tot interventie was, echter in andere situaties zou detectie van deze aanvallen wel zinvol kunnen zijn.
Aanvalsdetectie gebaseerd op autonome veranderingen
In een systematische review van Van Westrhenen (2018) werd gezocht naar studies die een algoritme voor automatische aanvalsdetectie gebaseerd op ictale autonome veranderingen in hartfrequentie(variabiliteit), zuurstofsaturatie, elektrodermale activiteit of een combinatie hiervan valideren. 21 studies werden geïncludeerd waarbij de hartslagvariabiliteit (n=10), de hartslag (n=4), QRS-morfologie (n=1) of een multimodale benadering (n=6) gebruikt werd voor de aanvalsdetectie. Volgens de standaard van Beniczky werden de meeste geïncludeerde studies als fase 1 aangemerkt (n=17) en enkele als niveau 0 (n=3). Slechts één studie, namelijk die van Boon (2015) werd als fase 2 aangemerkt. De auteurs concluderen dat de algoritmen gebaseerd op een enkele modaliteit over het algemeen redelijk sensitief zijn, echter te veel fout positieve alarmen geven. Tevens concluderen ze dat multimodale algoritmen en personalisatie belangrijke strategieën zijn om dit te verbeteren.
In de studie van Boon (2015) werden patiënten geïncludeerd die behandeld werden met nervus vagus stimulatie en werd als niveau 2 studie aangemerkt. Deze studie laat zien dat het mogelijk is om epileptische aanvallen te detecteren op basis van een verhoging van 20% in hartslag (n=16), wat gelijk staat aan een sensitiviteit van 59,3%. De vals-positieven werden vastgesteld op 7,2 aanvallen per uur (95% BI: 5.31 – 9.94).
Aanvalsdetectie gebaseerd op matrassensoren
Er werden drie studies gevonden die aanvalsdetectie in de vorm van een matrassensor onderzochten met een studiedesign van tenminste niveau 2 volgens de classificatie van Beniczky & Ryvlin, 2018.
Fulton (2012) onderzocht 2 verschillende typen bedmonitors, namelijk de MP5 monitor en het Medpage ST-2 bedalarm. De MP5 monitor is een sensor die onder de matras van patiënten werd geplaatst en bewegingen en geluiden van het bed bij epileptische aanvallen detecteert. Het laatstgenoemde systeem is ontwikkeld om abnormale bedbewegingen te detecteren bij kinderen met een gewicht van tenminste 6,4kg. 27 kinderen tussen de 1 en 22 jaar met epilepsie met verschillende aanvalstypen namen deel aan de studie en hadden ofwel het MP5 ofwel de ST-2 alarmsysteem onder hun matras. 4 patiënten vonden het eerstgenoemde systeem oncomfortabel waarna het verwijderd werd en ze geëxcludeerd werden uit de studie. Van de overige patiënten hadden er 15 epileptische aanvallen, 69 in totaal, zowel (secundair) gegeneraliseerd tonisch clonische aanvallen als andere aanvalstypen. Het MP5 systeem detecteerde slechts 1 van de 23 aanvallen, dit was 1 van de 6 gegeneraliseerd tonisch clonische aanvallen. Het ST-2 model detecteerde eveneens slechts 1 aanval, dit was een complex partiele aanval met motorische verschijnselen en 1 van de 46 epileptische insulten ten tijde van de monitoring met het ST-2 model. Vermoedelijk waren er geen fout positieve alarmen.
In de studie van Poppel (2013) werd gekeken naar de sensitiviteit van de Emfit bewegingsmonitor, een sensor die onder de matras van patiënten wordt geplaatst en bewegingen detecteert. Geïncludeerd werden kinderen en jongvolwassenen met verschillende aanvalstypen opgenomen op een epilepsie monitoring unit. 23 van alle 78 aanvallen (29,5%) werden gedetecteerd. Van de gegeneraliseerde tonisch clonische aanvallen werden 75% gedetecteerd, 84,6% van de 13 nachtelijke gegeneraliseerde tonisch clonische aanvallen. Er wordt niet gesproken over fout-positieve alarmen.
Ook Narechania (2013) onderzocht de Emfit bewegingssensor bij 51 volwassen patiënten. Er werd in totaal 3741uur geregistreerd, waarbij er 18 gegeneraliseerd tonisch clonische insulten optraden. Zestien hiervan werden door de Emfit gedetecteerd, gemiddeld binnen 9 seconde na het optreden van bilaterale clonische bewegingen. Er waren tevens 93 andere events dan gegeneraliseerd tonisch clonische aanvallen, waarvan een deel niet-epileptisch van origine. Al deze events werden door de Emfit niet gedetecteerd. Er waren 21 fout positieve alarmen, allemaal tijdens waak, en met name bij ritmische bewegingen.
Aanvalsdetectie gebaseerd op multimodaliteiten
Arends (2018) deed onderzoek naar aanvalsdetectie door middel van de Nightwatch, een multimodale sensor, bij patiënten in de thuissituatie. 34 patiënten met epilepsie en een verstandelijke beperking woonachtig in een langverblijf omgeving van een van de deelnemende Nederlandse epilepsiecentra kregen gedurende 2-3 maanden de Nightwatch om de bovenarm. Deze meet de hartfrequentie dmv plethysmografie en beweging dmv een accelerometer. De helft van deze patiënten gebruikte voorafgaand aan de studie reeds de Emfit matrassensor. Er werd onder andere gekeken naar de sensitiviteit en fout positieve alarmen bij grote aanvallen. De gouden standaard hiervoor was videoregistratie; alle gerapporteerde events werden op video bekeken, tevens werden de beelden van een willekeurig sample van 10% van alle nachten gescreend. In totaal werd er gedurende 1826 nachten geregistreerd, waarin er 809 grote aanvallen werden gezien. De mediane sensitiviteit per patiënt was 86% en de mediane frequentie fout positieve alarmen 0,25 per nacht. De meerderheid van de verzorgenden gaven aan dat met de Nightwatch meer vrijheid ervaren werd, een deel vond ook dat de autonomie hierdoor toenam.
Bewijskracht van de literatuur
Omdat voor studies naar diagnostische accuraatheid geldt dat een observationeel (dwarsdoorsnede-)onderzoek de standaard is, start de bewijskracht voor de beschreven studies op hoog.
De bewijskracht voor de uitkomstmaten sensitiviteit van aanvalsdetectie gebaseerd op accelerometrie voor het detecteren en alarmeren van epileptische aanvallen met motorische verschijnselen is met een niveau verlaagd vanwege kleine patiëntenaantallen (imprecisie) en met één niveau vanwege tegenstrijdige bevindingen in twee studies (Nijsen et al., 2005; Patterson et al., 2018) (inconsistentie). Voor de uitkomstmaat frequentie fout positieve alarmen is ook met één niveau verlaagd gezien het geringe aantal patiënten (imprecisie) en tegenstrijdige bevindingen in één studie (Velez et al., 2016) (inconsistentie). De bewijskracht is laag.
De bewijskracht voor de uitkomstmaten sensitiviteit en frequentie fout-positieve alarmen van aanvalsdetectie gebaseerd op autonome veranderingen en geluid is met twee niveaus verlaagd gezien het geringe aantal patiënten (imprecisie) en nog één niveau vanwege beperkingen in de onderzoeksopzet (risk of bias). De bewijskracht is zeer laag.
De bewijskracht voor de uitkomstmaten sensitiviteit en frequentie fout-positieve alarmen van aanvalsdetectie gebaseerd op matrassensoren is met één niveau verlaagd vanwege kleine patiëntenaantallen en met één niveau vanwege inconsistente resultaten. Er is met één extra niveau afgetrokken vanwege financiering van de meest positieve studie door de ontwikkelaar van de matrassensor (Narechania et al., 2013). De bewijskracht is zeer laag.
De bewijskracht voor de uitkomstmaten sensitiviteit en frequentie fout-positieve alarmen van aanvalsdetectie gebaseerd op oppervlakte EMG is met één niveau verlaagd vanwege kleine patiëntenaantallen. De bewijskracht is matig.
De bewijskracht voor de uitkomstmaten sensitiviteit en frequentie fout-positieve alarmen van aanvalsdetectie gebaseerd op een combinatie van modaliteiten is met één niveau verlaagd gezien het geringe aantal patiënten (imprecisie) en met één niveau vanwege beperkingen in de onderzoeksopzet (risk of bias). De bewijskracht is laag.
Zoeken en selecteren
Voor deze uitgangsvraag is een systematisch literatuuronderzoek verricht in de databases Medline (PubMed) en The Cochrane Library. Er werd gezocht met zoektermen waaronder epilepsy, detection, prediction, monitoring, alarm, alarming, automatic en ambulatory gecombineerd met accelerometry, actigraphy, electrodermal activity, heart rate, heart rhythm, sound, mattress en surface electromyography. Er werd gezocht in Engelstalige en Nederlandstalige publicaties, er waren geen beperkingen met betrekking tot het jaar van publiceren. De literatuurzoekactie leverde 574 publicaties op, bestaande uit systematische reviews, randomised controlled trials, case control- en cohortstudies en 150 reviewartikelen. Op basis van titel en abstract vond een voorselectie plaats van studies die aansloten bij de zoekvraag en sensitiviteit en fout-positieve alarmen als uitkomstmaat hadden. Hiervan werd de volledige tekst geraadpleegd. Op basis hiervan werden dertien studies definitief geselecteerd, de meerderheid van de studies betrof aanvalsdetectie middels accelerometrie, andere studies betroffen aanvalsdetectie gebaseerd op hartfrequentie(variabiliteit), elektromyografie, geluid of een combinatie van modaliteiten.
Om meer inzicht te krijgen in de opzet van de studies en het niveau van bewijs wordt naast de beoordeling volgens GRADE gebruik gemaakt van de standaard die Beniczky en Ryvlin voorstellen voor het testen en klinisch valideren van methoden voor aanvalsdetectie (Beniczky & Ryvlin, 2018).
Afhankelijk van vier belangrijke kenmerken van de studieopzet; te weten de informatie over de personen die deelnemen, de manier van registreren, de manier van analyse en alarmeren en de referentiestandaard, kunnen studies geclassificeerd worden in vijf verschillende niveaus (0-4), waarbij een ‘niveau 4’ studie de grootste bewijskracht heeft. Ook wordt richting gegeven aan welke karakteristieken van een aanvalsdetectie besproken dienen te worden bij de analyse (o.a. de leeftijdskenmerken van de patiëntengroep, de sensitiviteit, fout-positieven frequentie en gemiste aanvallen van de aanvalsmethode, het aantal (tevreden) gebruikers, etc. Alleen studies van tenminste niveau 2 werden in de systematische samenvatting van de literatuur meegenomen. Er werd één systematische review gevonden waarin aanvalsdetectie gebaseerd op autonome veranderingen werd beschreven (Van Westrhenen et al., 2018). De losse studies uit deze review die voldoen aan de inclusiecriteria zijn opgenomen in de systematische literatuursamenvatting bij de onderzochte modaliteit. De review is daarom slechts beperkt als geheel beschreven.
Referenties
- Arends, J. (2018). Movement-based seizure detection. Epilepsia, 59 Suppl 1, 30-35. DOI: 10.1111/epi.14053.
- Arends, J., R.D. Thijs, T. Gutter, C. Ungureanu, P. Cluitmans, J. Van Dijk, . . . F. Leijten. (2018). Multimodal nocturnal seizure detection in a residential care setting: A long-term prospective trial. Neurology, 91(21), e2010-e2019. DOI: http://dx.doi.org/10.1212/WNL.0000000000006545.
- Arends, J. B., van Dorp, J., van Hoek, D., Kramer, N., van Mierlo, P., van der Vorst, D., & Tan, F. I. (2016). Diagnostic accuracy of audio-based seizure detection in patients with severe epilepsy and an intellectual disability. Epilepsy Behav, 62, 180-185. doi: 10.1016/j.yebeh.2016.06.008.
- Behbahani, S., Dabanloo, N. J., Nasrabadi, A. M., & Dourado, A. (2016). Prediction of epileptic seizures based on heart rate variability. Technol Health Care, 24(6), 795-810. doi: 10.3233/thc-161225.
- Beniczky, S., Polster, T., Kjaer, T. W., & Hjalgrim, H. (2013). Detection of generalized tonic-clonic seizures by a wireless wrist accelerometer: a prospective, multicenter study. Epilepsia, 54(4), e58-61. doi: 10.1111/epi.12120.
- Beniczky, S., & Ryvlin, P. (2018). Standards for testing and clinical validation of seizure detection devices. Epilepsia, 59 Suppl 1, 9-13. doi: 10.1111/epi.14049.
- Beniczky, S., I. Conradsen, &P. Wolf. (2018a). Detection of convulsive seizures using surface electromyography. Epilepsia, 59 Suppl 1, 23-29. DOI: 10.1111/epi.14048.
- Beniczky, S., I. Conradsen, O. Henning, M. Fabricius, &P. Wolf. (2018b). Automated real-time detection of tonic-clonic seizures using a wearable EMG device. Neurology, 90(5), e428-e434. DOI: 10.1212/wnl.0000000000004893.
- Boon P, Vonck K, van Rijckevorsel K et al. (2015). A prospective, multicenter study of cardiac-based seizure detection to activate vagus nerve stimulation. Seizure 32:52–61.
- Conradsen, I, Beniczky, S.. Hoppe K., Wolf P., Sorensen HB. Automated algorithm for generalized tonic-clonic epileptic seizure onset detection based on sEMG zero-crossing rate. IEEE Trans Biomed Eng. 2012 Feb;59(2): 579-95
- Fulton Stephen, Poppel Kate Van., McGregor Amy, Ellis Michelle, Patters Andrea, Wheless James. (2013). Prospective Study of 2 Bed Alarms for Detection of Nocturnal Seizures.; J Child Neurol; 28(11); 1430-1433
- Halford, J.J., M.R. Sperling, D.R. Nair, D.J. Dlugos, W.O. Tatum, J. Harvey, . . . J.E. Cavazos. (2017). Detection of generalized tonic-clonic seizures using surface electromyographic monitoring. Epilepsia, 58(11), 1861-1869. DOI: 10.1111/epi.13897.
- Kramer, U., Kipervasser, S., Shlitner, A., & Kuzniecky, R. (2011). A novel portable seizure detection alarm system: preliminary results. J Clin Neurophysiol, 28(1), 36-38. doi: 10.1097/WNP.0b013e3182051320.
- Lockman, J., R.S. Fisher, &D.M. Olson. (2011). Detection of seizure-like movements using a wrist accelerometer. Epilepsy Behav, 20(4), 638-41. DOI: 10.1016/j.yebeh.2011.01.019.
- Meritam, P., P. Ryvlin, &S. Beniczky. (2018). User-based evaluation of applicability and usability of a wearable accelerometer device for detecting bilateral tonic-clonic seizures: A field study. Epilepsia, 59(Supplement 1), 48-52. DOI: http://dx.doi.org/10.1111/epi.14051.
- Narechania AP, Garić II, Sen-Gupta I, Macken MP, Gerard EE, Schuele SU. (2013). Assessment of a quasi-piezoelectric mattress monitor as a detection system for generalized convulsions. Epilepsy Behav, 28(2):172–6.
- Nijsen, T. M., Arends, J. B., Griep, P. A., & Cluitmans, P. J. (2005). The potential value of three-dimensional accelerometry for detection of motor seizures in severe epilepsy. Epilepsy Behav, 7(1), 74-84. doi: 10.1016/j.yebeh.2005.04.011.
- Patterson, A.L., B. Mudigoudar, S. Fulton, A. McGregor, K.V. Poppel, M.C. Wheless, . . . J.W. Wheless. (2015). SmartWatch by SmartMonitor: Assessment of Seizure Detection Efficacy for Various Seizure Types in Children, a Large Prospective Single-Center Study. Pediatr Neurol, 53(4), 309-11. DOI: 10.1016/j.pediatrneurol.2015.07.002.
- Poppel, K.V., S.P. Fulton, A. McGregor, M. Ellis, A. Patters, &J. Wheless. (2013). Prospective Study of the Emfit Movement Monitor. J Child Neurol, 28(11), 1434-1436. DOI: 10.1177/0883073812471858.
- Szabo, C. A., Morgan, L. C., Karkar, K. M., Leary, L. D., Lie, O. V., Girouard, M., & Cavazos, J. E. (2015). Electromyography-based seizure detector: Preliminary results comparing a generalized tonic-clonic seizure detection algorithm to video-EEG recordings. Epilepsia, 56(9), 1432-1437. doi: 10.1111/epi.13083.
- Velez, M., Fisher, R. S., Bartlett, V., & Le, S. (2016). Tracking generalized tonic-clonic seizures with a wrist accelerometer linked to an online database. Seizure, 39, 13-18. doi: 10.1016/j.seizure.2016.04.009.
- van Westrhenen, A., T. De Cooman, R.H.C. Lazeron, S. Van Huffel, &R.D. Thijs. (2018). Ictal autonomic changes as a tool for seizure detection: a systematic review. Clin Auton Res. DOI: 10.1007/s10286-018-0568-1.
Evidence tabellen
https://epilepsie.neurologie.nl/t_files/actualisatie_2018/Evidencetabellen_Aanvalsdetectie_2018.pdf
| Interventieonderzoek (trials en cohort) | |||||||||||
| Study reference | Study characteristics | Patient characteristics | Intervention (I) | Comparison / control (C) | Follow-up | Outcome measures and effect size | Comments | ||||
|
Arends, 2016 |
Type of study: Observational 3parts:
Setting: Institute for residential care
Country: Netherlands
Source of funding: NA |
Inclusion criteria: Pts with intellectual disability living in institute for residential care. For part 2 also known to make audible sounds during seizures and ≥1 major seizure/wk.
Exclusion criteria: -
N= Part 1. 17 Part 2. 10pt (112 major seizures)
Mean age: part 2. 34 (range 18-42)
Sex: 60% M / 40 % F
Other important characteristics:- |
Describe index test: Part 2. Noctural acoustic monitoring system (CLB-monitor), threshold-based. Part 3. Automated sound event detection system by Sound Intelligence tested on collected data. Based on machine learning. (because in this trial not enough epilepsy-related sound collected, not possible to train the system on these categories, but tested on snoring (incl sleep-related).
Cut-off point(s): Part 2. First week predefined threshold,manually set per patient. Threshold adapted until max 20sounds/night above threshold. |
Describe reference test: Video monitoring, screened for each night
Cut-off point(s): - labelled by panel |
Time between the index test and reference test: Same time
For how many participants were no complete outcome data available? N=0 (%)
Reasons for incomplete outcome data described? - |
Outcome measures and effect size (include 95%CI and p-value if available):
Mean positive predictive value 0,40 (range 0,06-1,00). Fals positive alarms: mean 1,29/night, all due to minor seizures.
|
Level of evidence&Classification based on Benickzy&Ryvlin*:
Classification of Study: Phase 1or 2 (10 pts, >15 seizures. Offline. Retrospective analysis. Training&testing same dataset. Safety not addressed?
Key features: Subjects: 10pts, >15seizures Recordings: continuous, dedicated device? Single centre. Analysis&Alarms: Trainig&testing using the same dataset. Offline, no alarms. Reference standard: Video |
||||
|
Arends, 2018 |
Type of study: Observational study, prospective
Setting: In-home, residential care setting
Country: The Netherlands
Source of funding: - |
Inclusion criteria: Adults with intellectual disability, history of >1 major nocturnal seizure per month & resided in a long-term facility of a participating epilepsy centre.
Exclusion criteria: Movement disorder, pacemaker, skin pigmentation
N= 34 pts, 6 excluded (4 withdrew, 2 no major seizures): 809 major seizures.
Mean age: 29,1 (15-67)
Sex: 18M / 10F
Other important characteristics: - |
Describe index test: Nightwatch, developed by LivAssured BV. Bracelet worn around upper arm, measuring HR (by plethysmography) and movement (3D ACC). Signals and online alarms wirelessly transmitted to base station connected to computer.
Nightwatch compared with piezoelectric Emfit bed sensor in 14 pts already using bed sensor before start trial.
Cut-off point(s): Not applicable |
Describe reference test: Video. All events (alarms, nurse diaries) & 10% of completely screened nights reviewed to classify major, minor or no seizure.
Cut-off point(s): Not applicable |
Time between the index test and reference test: Same time.
For how many participants were no complete outcome data available? N=6
Reasons for incomplete outcome data described? 2 not motivated, 1 did not accept video, 1 did not accept Nightwatch, 2 no major seizures. |
Outcome measures and effect size (include 95%CI and p-value if available): Median sensitivity per participant 86% (77% - 93%).
Median false alarm rate 0,25/night (0,04-0,35)
Questionnaires: 33 respondents Sensor. Accepted by pt: 28yes, 2 no. offers more autonomy 10 yes, 13 no. offers caregiver more freedom 20 yes, 11 no.
User-friendliness 7,3; privacy 4,2. on a scale from 1-10 |
|||||
|
Benickzy, 2013 |
Type of study: Observational study, prospective
Setting: Epilepsy Monitoring Unit
Country: Denmark, Germany
Source of funding: - |
Inclusion criteria: Patients at risk of having GTCS
Exclusion criteria: Not described
N= 73
Mean age: 37 (6-68)
Sex: 53% M / 47% F
Other important characteristics: - |
Describe index test: Epi-Care Free, developed by Danish Care Technology ApS. Resembles wristwatch. Contains the three-axis acceleration transducer, microprocessor, and battery. The sensor measures the acceleration of any movement in the wrist. The device has two-way wireless communication to a table placed or portable control unit. A predefined, generic convulsive seizure detection algorithm was used for all monitoring/detections. Real-time calculations determined whether movements were seizure-like or normal. Alarm was triggered at a fixed threshold. The algorithm was fully automatic
Cut-off point(s): Not applicable |
Describe reference test: Seizures identified by experienced clinical neurophysiologists, based on the video-EEG recordings.
Cut-off point(s): Not applicable |
Time between the index test and reference test: Same time.
For how many participants were no complete outcome data available? N=0 (0%)
Reasons for incomplete outcome data described? NA |
Outcome measures and effect size (include 95%CI and p-value if available): Sensitivity 90%: 35 of 39 secondarily GTCS, in 20 pts (1-5 seizures/pt, mean 1,95) z In 16 patients all seizures were detected. In three patients more than two thirds of the seizures were detected. Seizure was not detected at all in one patient who had only one seizure.
Rate of false alarms 0.2/day (Totally 40 false alarms recorded in 16/73)
Mean detection latency from the start of secondarily generalized phase was 33 s, and from the start of focal seizure was 55 s (95% CI 38– 73 s).
Device deficiency: 15 times: 1 led to the termination of the recording, due to a technical error. 1 transient interruption of the recording due to technical error. 11 battery failure.
Side effect: recorded in 1: mild allergic reaction on the skin |
Level of evidence&Classification based on Benickzy&Ryvlin*:
Classification of Study: Phase 3 study (continuous recording, prospective, real time. Predefined algorithms&cutoff values, multicenter, blinded, >30 seizures recorded)
Key features: Subjects: High no, of pts Recordings: Continuous, multicenter, prospective. Analysis&Alarms: Predefined algorithm, real time alarms. Blinded. Referance standard: Video-EEG. |
||||
|
Boon, 2015 |
Type of study: Prospective multicenter RCT
Setting: EMU
Country: Belgium, Germany, Netherlands, Norway, United Kingdom,
Source of funding: Cyberonics, Inc. is the study sponsor and the manufacturer of AspireSR |
Inclusion criteria: 18 years and older, refractory epilepsy
Exclusion criteria: Not described
N= 31 (66 seizures)
Mean age: 39.6 ± SD 13,4
Sex: 38.7% M / 61.3 % F
Other important characteristics:- |
Describe index test: Analysis 1lead continuous ECG at least 4-6 days. Selected features calculated, dynamic changes during pre-ictal period
Cut-off point(s): 30%of seizures/pt used for training, used to find thresholds, for each pt separately. |
Describe reference test: Subjects were admitted to the EMU and underwent standard continuous data collection of vEEG and ECG for 3 to 5 days.If a seizure occurred during the EMU stay, clinical investigators annotated the start and stop times, the type of seizure, the presumed seizure onset location, and the lobe of origin as applicable. |
Time between the index test and reference test: Same time
For how many participants were no complete outcome data available? N= 1 (3.2%)
Reasons for incomplete outcome data described? Yes, one patient discontinued the trial prior to the 12 month follow-up visit due to an adverse event (AE) of diarrhea and vomiting |
Outcome measures and effect size (include 95%CI and p-value if available):
Threshold > 20%: Sens: 16/27 = 59.3% PPV: NA FAR: 7.2/h [95% CI 5.31–9.94] DL: 6.0 s [− 112–105]
Threshold > 40%: Sens: 8/23 = 34.8% PPV: NA FAR: 2.7/h [95% CI 1.70–3.91] DL: 27.5 s [0–57]
Threshold > 60%: Sens: 3/16 = 18.8% PPV: NA FAR: 0.5/h [95% CI 0.20–0.96] DL: 35.0 s [4–40] |
Level of evidence&Classification based on Benickzy&Ryvlin*:
Classification of Study: Phase 2 (31 pts, 66 seizures). Offline. Retrospective analysis of data. Analysis and alrams; predefined and real time.
Key features: Subjects: 16pts, 170 seizures. Dedicatd device, multicenter
Training&testing using the same dataset. Reference standard: video EEG, information from patient and caregivers |
||||
|
Kramer, 2011 |
Type of study: Observational study, prospective
Setting: 2 Video-EEG units
Country: Israel, VS
Conflicts of interest: Some authors work for the company that develops the device |
Inclusion criteria: Pts with primarily motor seizures incl clonic, tonic, partial, generalized. Pts with complex partial seizures who had generalized seizures after tapering AED.
Exclusion criteria: Pts with dystonic posturing, subtle behavioural automatism, supsectes pseudoseizures.
N=31 (22 seizures in 15 pts acquired)
Mean age ± SD: Not reported
Sex: Not reported
Other important characteristics: - |
Describe index test: ‘Movement Sensor’ device (bracelet) attached to limb. Contains a 3axis accelerometer and transmitter. Transmitted tot computer. System monitored and detected seizures based on algorithm based on various movements’ parameters.
Cut-off point(s): Not applicable |
Describe reference test: Video-EEG. At 1 unit each alarm was immediately checked and confirmed by the nurses.
Cut-off point(s): Not applicable |
Time between the index test and reference test: Same time
For how many participants were no complete outcome data available? N=16 (52%)
Reasons for incomplete outcome data described? - Absence of attacks during monitoring. - Pts with during monitoring only type of seizure not detected by device (ie complex partial seizures) - Communication failure in the system - Wearing device on non-involved limb |
Outcome measures and effect size (include 95%CI and p-value if available): 22/22 seizures identified (sensitivity 91%) (All events >30sec identified)
Median detection time 17 sec (range 12-35 sec, SD 5,8 sec)
8 false alarms in 31 pts in total time of 1692 hours of data acquisition.
|
Level of evidence&Classification based on Benickzy&Ryvlin*:
Classification of Study: Phase 2 or 3 (>20pts, 15 seizures, online, alarms, multicenter, blinding?)
Key features: Subjets: >20pts, 15 seizures. Recordings: Continuous, dedicated device, multicentre Analysis&Alarms: predefined algorithm? Online monitoring and detecting seizures, in 1 centre immediate checking of alarms. Reference standard: Video-EEG, information of nurses. |
||||
|
Nijsen , 2005 |
Type of study: Observational study
Setting: Long-stay environment
Country: The Netherlands
Source of funding: NA |
Inclusion criteria: Mentally retarded. Live in long-stay environment. Suffer from severe epilepsy. Minimum seizure frequency 20/month.
Exclusion criteria: 2 pts excluded (1 no seizures, 1 technical difficulties with EEG)
N= 20pts, 18 remaining (897 seizures)
Mean age ± SD: 37 (SD 11,8)
Sex: 56% M / 44% F
Other important characteristics: Most tonic and myoclonic seizures. 6 pts also complex partial seizures, 1 startle seizures day and myoclonic seizures night, 2 many nocturnal arousals and tonic seizures |
Describe index test: 3D accelerometers created by 2 2D sensors (ADXL202E from Analog Devices Inc) at perpendicular angles to each other. Data stored on portable recorders. Afterward recordings moved tot analysing system (Brainlab). Monitoring 36h
Cut-off point(s): NA. Data visually inspected by EEG technicians. |
Describe reference test: Video/EEG-monitoring. Analysis by EEG technicians
Cut-off point(s): Not applicable |
Time between the index test and reference test: Same time.
For how many participants were no complete outcome data available? N=1 (5%)
Reasons for incomplete outcome data described? Technical difficulties with EEG |
Outcome measures and effect size (include 95%CI and p-value if available): 428/897 seizures detected with ACM (48%) 10/18 ptes (56%) all seizures detected. 5/18 some detected, 3/18 none detected. |
Level of evidence&Classification based on Benickzy&Ryvlin*:
Classification of Study: Phase 1 or 2 (>10pts, offline recordings, analysis not real time, no alarms. Safety of device not adressed)
Key features: Subjects: Low no of pts, high no of seizures. Recordings: Continuous, dedicated device, retrospective. Analysis&Alarms: No redefined algorithm, offline. Not blinded? Referance standard: Video-EEG. |
||||
|
Szabó, 2015 |
Type of study: Observational study, prospective
Setting: Epilepsy Monitoring Unit
Country: USA
Source of funding: funded by Brain Sentinel Inc. |
Inclusion criteria: Medicaly refractory epilepsy and history of GTCS
Exclusion criteria: -
N=36 pts
Prevalence: 1399h of monitoring: 196 seizures (21 GTCS, 96 myoclonic, 28 tonic, 12 absence, 42 focal + 4 non epileptic)
Mean age: 40 (range 14-64)
Sex: % 48M / 52% F
Other important characteristics: - |
Describe index test: Surface EMG electrodes on m. biceps&m. triceps on the arm suspected primarily or mostly involved. Raw EMG signal recorded using conventional amplifiers. Only biceps sEMG recordings utilized for analysis, Elektrodes connected to NeXus-32 or NeXus-4 monitor (Mind Media BV), transmitted to portable laptop or exported using Biotrace+.
Cut-off point(s): at onset 2 measurements of maximum voluntary biceps contraction to set the baseline physiological muscle contraction threshold. sEMG signal analysed using frequency based algorithm developed by Brain Sentinel, fully automated. |
Time between the index test and reference test: Same time
For how many participants were no complete outcome data available? N = 3 (8%)
Reasons for incomplete outcome data described? 2 subjects had faulty recordings, 1 subject EMG reconrdings not retrievable. |
Outcome measures and effect size (include 95%CI and p-value if available): 20/21 GTCS (95%) detected (in 11 pts), averaging within 20s of electroclinical onset of generalized tonic activity.
1 false positive detection during postictal period following GTCS. |
Level of evidence&Classification based on Benickzy&Ryvlin*:
Classification of Study: Phase 2 (>20pts, >15 seizures, offline, no alarms, blinding?)
Key features: Subjets: >20pts, >15 seizures. Recordings: Continuous, dedicated device, single centre Analysis&Alarms: predefined algorithm, Offline analysis.Blinding? Reference standard: Video-EEG |
|||||
|
Velez, 2016 |
Type of study: Observational study, prospective.
Setting: Epilepsy Monitoring Unit
Country: USA
Conflicts of interest: 1 Author has stock options in SmartMonitor. |
Inclusion criteria: Patients with in history seizures with tonic-clonic movements in ≥1 limb.
Exclusion criteria: Only non-tonic-clonic or supsected PNEA’s.
N= 30
Prevalence: 13 GTCS (62 seizures, of which 49 non-GTCS)
Mean age ± SD: Not reported, age range 19-66yr.
Sex: 63% M / 37% F
Other important characteristics: |
Describe index test: Wireless wristwatch accelerometer (SmartWatch developed by SmartMonitor) programmed to detect shaking events and record the date, start&end times, duration, mean shake frequency and amplitude of abnormal movements and associated audio. All parameters for each detected event were transmitted via Bluetooth1 to a bedside electronic tablet and then via WiFi to an online cloud-based seizure database.
Cut-off point(s): Thresholds for shake detections were set to a sensitivity of 4 on a scale of 10
Comparator test: Bedside paper diary by pts/caregivers
Cut-off point(s): Not applicable |
Describe reference test: Video EEG
Cut-off point(s): - Seizure intensity: Mild was defined as a myoclonic, tremor, tonic or clonic movement in one limb, moderate as movements in more than one limb but without full body convulsions and severe as full body or generalized tonic-clonic movements. - Frequency: low (<5 Hz), medium (5 10 Hz) or high (>10 Hz). - Predominant amplitude: visually categorized into low, medium or high, |
Time between the index test and reference test: Same time.
For how many participants were no complete outcome data available? 3pt excluded (10%)
Reasons for incomplete outcome data described? 1 for an early discharge, 1 because vEEG was not recorded at the time of seizures, 1 because of losing the watch before recording an event. |
Outcome measures and effect size (include 95%CI and p-value if available): 12/13 GTCS captured, sensitivity 92,3%.
Event data were successfully uploaded to the bedside tablet in 11/12 (91.7%) and to the online database in 10/12 (83.3%) of the GTCS. The watch recorded 81 false positives, of these 42 (51.8%) were cancelled by the patients. |
1 pt did not wear the watch at the time of a GTCS, the other GTCS were detected by the watch.
Level of evidence&Classification based on Benickzy&Ryvlin*:
Classification of Study: Phase 2 (or 3) (>20 pts, >30 seizures. Dedicated device. Continues recording. Online database, but analysis after the recording. Not multicenter.)
Key features: Subjects: High no, of pts Recordings: Continuous, prospective. Analysis&Alarms: Predefined algorithm, Online database, but analysis after the recording. No alarms. Blinding? Referance standard: Video-EEG. |
||||
Verantwoording
Autorisatiedatum en geldigheid
Laatst beoordeeld : 17-06-2020
Laatst geautoriseerd : 17-06-2020
Geplande herbeoordeling :
Sinds 2014 wordt eenmaal per jaar een literatuursearch per module uitgevoerd. De clusterleden beoordelen of er in de resultaten van de search artikelen zijn die aanleiding geven om de (aanbevelingen van) de module aan te passen. Tot 2020 werden de geselecteerde artikelen opgenomen in een evidence tabel, en indien door de werkgroep voldoende relevant bevonden, werden de aanbevelingen inhoudelijk aangepast. Sinds 2020 is overgegaan tot modulair onderhoud van richtlijnen binnen clusters (zie: https://richtlijnendatabase.nl/werkwijze.html). Na de literatuurselectie wordt tijdens een vergadering met alle clusterleden de prioritering gemaakt voor de vijf te herziene modules van dat jaar. De herziene modules worden ter commentaar en autorisatie aangeboden aan de betrokken wetenschappelijke verenigingen. Dit is een zich jaarlijks herhalende cyclus.
Algemene gegevens
De richtlijnontwikkeling werd gefinancierd uit de Kwaliteitsgelden Medisch Specialisten (SKMS) en vanuit EpilepsieNL
De volgende verenigingen en organisaties hebben medewerking verleend aan de totstandkoming van de richtlijn (in alfabetische volgorde):
- EpilepsieNL
- Koninklijke Nederlandse Maatschappij ter bevordering der Pharmacie (KNMP)
- Nederlands Instituut van Psychologen, sectie neuropsychologie (NIP)
- Nederlandse Liga tegen Epilepsie
Doel en doelgroep
Doel
De epilepsiepatiënt in Nederland op eenduidige en wetenschappelijk onderbouwde wijze diagnosticeren en behandelen. Ter ondersteuning van de richtlijngebruiker wordt - daar waar relevant - verwezen naar de module Informatie voor patiënten. De inhoud van de patiënteninformatie valt buiten verantwoordelijkheid van de werkgroep.
Doelgroep
Deze richtlijn is geschreven voor alle leden van de beroepsgroepen die betrokken zijn bij de zorg voor patiënten met epilepsie.
Samenstelling werkgroep
Voor het ontwikkelen van de webbased richtlijn is in 2011 een multidisciplinaire werkgroep ingesteld, bestaande uit vertegenwoordigers van alle relevante specialismen die betrokken zijn bij de zorg voor patiënten met epilepsie. De werkgroep werkte gedurende twee jaar aan de totstandkoming van de webbased richtlijn die in november 2013 vastgesteld en geautoriseerd werd. De richtlijn wordt vanaf 2013 jaarlijks geactualiseerd. De werkgroep is verantwoordelijk voor de integrale tekst van deze richtlijn. De werkgroepleden zijn door hun beroepsverenigingen gemandateerd voor deelname. Eventuele mutaties in de werkgroepsamenstelling vinden plaats in overleg met de Nederlandse Vereniging voor Neurologie, de werkgroep en de betreffende beroepsvereniging. Nieuwe leden dienen te allen tijden gemandateerd te worden door de betreffende beroepsvereniging. De werkgroep wordt ondersteund door adviseurs van het Kennisinstituut van Medisch Specialisten en door een voorlichter van het EpilepsieNL.
Werkgroep
- Prof. dr. H.J.M. Majoie (voorzitter), neuroloog, Academisch Centrum voor Epileptologie Kempenhaeghe/ Maastricht UMC+, Heeze en Maastricht
- Dr. C.M. (Carin) Delsman-van Gelder, Kinderarts/kinderneuroloog, Maxima Medisch Centrum, Veldhoven (vanaf 2022)
- Drs. M.H.G. (Marjolein) Dremmen, Radioloog (subspecialisatie kinderneuroradiologie), Erasmus MC, Rotterdam (vanaf 2020)
- Dr. P. Klarenbeek, neuroloog, Zuyderland Medisch Centrum, Heerlen
- Dr. J. Nicolai, kinderneuroloog, Academisch Centrum voor Epileptologie Kempenhaeghe/Maastricht UMC+, Maastricht
- Dr. P. van Vliet, neuroloog/intensivist, Haaglanden Medisch Centrum, Den Haag
- Drs. R. (Roel) van Vugt, Anesthesioloog, Sint Maartenskliniek, Nijmegen (vanaf 2020)
- Dr. A. Altinbas, neuroloog-kinderneuroloog, SEIN /LUMC, Heemstede en Leiden (vanaf 2020)
- Drs. T. Balvers, neuroloog, SEIN/LUMC, Heemstede en Leiden (vanaf 2020)
- Dr. M.A.A.M. de Bruijn, AIOS neurologie, Elisabeth-Tweesteden Ziekenhuis, Tilburg (vanaf 2020)
- Prof. Dr. E.F.I. Comans, nucleair geneeskundige, Amsterdam UMC, Amsterdam (vanaf 2020)
- Dr. T.H.P. Draak, kinderneuroloog/neuroloog, Zuyderland Medisch Centrum, Heerlen en Sittard-Geleen (vanaf 2021)
- Drs. F.M.S. Eshuis, AIOS spoedeisende geneeskunde, Catharina ziekenhuis, Eindhoven (vanaf 2020)
- Dr. F.N.G. Van ’t Hof, neuroloog, SEIN, Heemstede en Amsterdam (vanaf 2020)
- Dr. P.A.M. Hofman, (neuro)radioloog, Maastricht UMC+ en Kempenhaeghe, Heeze en Maastricht
- Dr. D. Ijff, GZ psycholoog, Academisch Centrum voor Epileptologie Kempenhaeghe/ Maastricht UMC+, Heeze
- Ir. D. Jenniskens, Community Manager EpilepsieNL, Houten (vanaf 2020)
- Dr. J.A.F. Koekkoek, neuroloog, LUMC, Leiden, en Haaglanden Medisch Centrum, Den Haag
- Dr. R.H.C. Lazeron, neuroloog, Academisch Centrum voor Epileptologie Kempenhaeghe/Maastricht UMC+, Heeze
- Dr. M. Mantione, klinisch neuropsycholoog, UMC Utrecht (vanaf 2022)
- Drs. J.B. Masselink, Ziekenhuisapotheker, Medisch Spectrum Twente, Enschede (vanaf 2020)
- G.A.P.G. van Mastrigt, HTA onderzoeker/epidemioloog B, Universiteit Maastricht
- Dr. L. M’Rabet, MT-lid Kennis en Innovatie EpilepsieNL, Houten(vanaf 2022)
- Dr. J.C. Reijneveld, neuroloog en universitair hoofddocent neurologie, SEIN en Amsterdam UMC, Heemstede en Amsterdam (vanaf 2020)
- Drs. H.E. Ronner, neuroloog, AmsterdamUMC loctie VUmc, Amsterdam
- Dr. M.K.M. van Schie, AIOS neurologie, LUMC, Leiden (vanaf 2022)
- Dr. O. Schijns, neurochirurg, Maastricht UMC+, Maastricht (vanaf 2020)
- Dr. F.M. Snoeijen-Schouwenaars, AVG, Centrum voor Epilepsiewoonzorg Kempenhaeghe, Heeze
- Dr. R.D. Thijs, neuroloog, SEIN, Heemstede en LUMC, Leiden
- Dr. N. Tolboom, nucleair geneeskundige, UMC Utrecht, Utrecht (vanaf 2020)
- Dr. S.O. Tousseyn, neuroloog, Academisch Centrum voor Epileptologie Kempenhaeghe/Maastricht UMC+, Heeze
- Drs. J. H. van Tuijl, neuroloog, Elisabeth-TweeSteden ziekenhuis, Tilburg
- Dr. A. Uiterwijk, neuroloog, Academisch Centrum voor Epileptologie, Kempenhaeghe/Maastricht UMC+, Heeze
- Dr. N.E. Verbeek, klinisch geneticus, UMC Utrecht, Utrecht
- Dr. M. Vlooswijk, neuroloog, Maastricht UMC+, Maastricht (vanaf 2020)
- Dr. I. Wegner, neuroloog, SEIN, Zwolle en Leeuwarden
Werkgroepleden tot 2020/2021:
- P.B. Augustijn, kinderneuroloog, SEIN, Heemstede (tot 2020)
- Dr. C.A. van Donselaar, neuroloog, Maasstad Ziekenhuis, Rotterdam en Kempenhaeghe, Heeze (tot 2020)
- Dr. G.J. de Haan, neuroloog, SEIN, Heemstede (plaatsvervangend voorzitter, tot 2020)
- M.C. Hoeberigs, neuroradioloog, Maastricht UMC+ en Kempenhaeghe, Heeze (tot 2020)
- Dr. F. Leijten, neuroloog, UMC Utrecht, Utrecht (tot 2021)
- Em. prof. dr. D. Lindhout, klinisch geneticus, kinderarts niet praktiserend, UMC Utrecht en SEIN, Heemstede (tot 2020)
- Dr. W. van der Meij, neuroloog, Haaglanden Medisch Centrum, Den Haag (tot 2020)
- Dr. B. Panis, kinderneuroloog, Maastricht UMC+, Maastricht (tot 2021)
Met ondersteuning van
- I. Gijselhart, bibliothecaresse, Kempenhaeghe Heeze
- L. Linssen, secretaresse opleidingen medisch specialisten, Kempenhaeghe Heeze
- Dr. J. Buddeke, senior adviseur, Kennisinstituut van de Federatie Medisch Specialisten (vanaf 2020)
- Dr. M.M.J. van Rooijen, adviseur, Kennisinstituut van de Federatie Medisch Specialisten (vanaf 2022)
Belangenverklaringen
Werkgroepleden verklaren schriftelijk of ze in de laatste vijf jaar een (financieel ondersteunde) betrekking onderhielden met commerciële bedrijven, organisaties of instellingen die in verband staan met het onderwerp van de richtlijn.
|
Werkgroeplid |
Belangen |
Zo ja, welke |
Jaar ingevuld |
|
Aldenkamp, dhr. |
Ja |
Deelname aan Wetenschappelijke |
2015 |
|
Augustijn, dhr. |
Ja |
Bestuurslid en regelmatig docent |
2015, herzien 2017 |
|
Beumer, mw. D. |
Nee |
|
2017 |
|
Bruijn, mw. M. de |
|
Coördinator van de ACES studie (antibodies causing epilepsy syndromes): nationale multicenterstudie waarvoor een beurs ontvangen van het Nationaal epilepsie Fonds (principal investigator: dr. M.J. Titulaer, euroloog, Erasmus MC). |
2017 |
|
Donselaar, dhr. dr. |
Ja |
Bestuurslid Stichting Epilepsie Onderwijs Nederland, onbetaald Lid Richtlijnen Commissie Diagnostiek en behandeling van Epilepsie (NVN, vergoeding) Lid Commissie Wetenschap Beter Keten (samenwerkingsverband Erasmus MC, Fransciscus Vlietland Groep, Maasstad Ziekenhuis, onbetaald) Aandelen UCB |
2015 |
|
Gijselhart, mw. I. |
|
|
|
|
Haan, dhr. dr. |
Ja |
Staflid neurologie Erasmus MC Rotterdam Begeleiden aios-en Cursorisch onderwijs (onbetaald) Eindredacteur vakblad Epilepsie Ex- voorzitter Liga tegen Epilepsie Adviseur EVN, EpilepsieNL |
2015, herzien 2017 |
|
Hofman, dhr. Dr. |
Nee |
|
2015, herzien 2017 |
|
Kolk, mw. N. van |
|
Gastdocent Radboud Health Academy (neurologie verpleegkunde), betaald |
2017 |
|
Kolsteren, mw. E. |
Nee |
|
2015, herzien 2017 |
|
Lazeron, dr. R.H.C. |
Ja |
Ontwikkeling nachtelijk aanvalsdetectie en - alarmeringssysteem, gefinancierd door ZonMW, Nuts-Ohra fonds, EpilepsieNL, met deelname van een hiertoe opgerichte onderneming LivAssured, met hulp van de firma ImplementationIQ en met participatie van investeringsfondsen in de gezondheidszorg. Geen direct of persoonlijk financieel belang in LivAssured, ImplementationIQ of de investeringsfondsen. |
2017 |
|
Leijten, dr. F.S.S. |
Ja |
Aandelen ProLira, een start-up bedrijf dat een deliriummonitor ontwikkelt. Ontwikkeling nachtelijk aanvalsdetectie en - alarmeringssysteem, gefinancierd door ZonMW, Nuts-Ohra fonds, EpilepsieNL, met deelname van hiertoe opgerichte onderneming LivAssured met hulp van de firma ImplementationIQ en met participatie van investeringsfondsen in de gezondheidszorg. Geen direct of persoonlijk financieel belang in LivAssured, ImplementationIQ of investeringsfondsen. |
2017 |
|
Lindhout, dhr. |
Ja |
Lid Gezondheidsraad (onbetaald) Lid vaste commissie Reproductie toxische stoffen van de Gezondheidsraad (vacatiegeld) Lid ad hoc commissies Gezondheidsraad (vacatiegeld) Lid Wetenschappelijke adviesraad Lareb (vacatiegeld) Lid Wetenschappelijk adviesraad Stichting Michelle (onbetaald) Lid Medische adviesraad STSN (onbetaald) |
2015 |
|
Majoie, mw. |
Ja |
Relevante commissies: |
2017 |
|
Mastrigt, mw. G. |
|
Onderzoeker/docent Universiteit Maastricht (0,1 fte) |
2017 |
|
Nicolai, dr. J. |
Ja |
Vanuit MUMC+ gedetacheerd in St. Jansgasthuis Weert, Elkerklierk Helmond en Kempenhaeghe Heeze (in dienst MUMC+) |
2017 |
|
Panis, mw. dr. P. |
Nee |
|
2017 |
|
Pols, mw. dr. M. |
|
|
|
|
Roelfsema, dr. V |
Nee |
|
2015, herzien 2017 |
|
Tuijl, mw. J.H. van |
Ja |
Lid werkgroep richtlijn Epilepsie (onbetaald) |
2015, herzien 2017 |
|
Uiterwijk, mw. A. |
Nee |
|
2017 |
|
Veendrick, mw. |
Nee |
|
2015 |
|
Venhorst, mw. K. |
|
|
|
|
Vliet, dhr. P. van |
Nee |
|
2015, herzien 2017 |
|
Wardt, dhr. J. van |
Nee |
|
2017 |
|
Wegner, mw. dr. I |
Ja |
Houden van wetenschappelijke voordrachten, voor een deel onbetaald, maar er zijn ook enkele voordrachten waarvoor de werkgever (SEIN) een financiële bijdrage heeft ontvangen van de firma UCB als vergoeding voor gemaakte uren. Dit alles volgens de officieel hiervoor geldende wet- en regelgeving. |
? |
|
Wijnen, dhr. B. |
|
|
|
|
Zijlmans, mw. |
Ja |
Commissielid communications committee international league against epilepsy (onbetaald) |
2015, herzien 2017 |
Inbreng patiëntenperspectief
Er wordt aandacht besteed aan het patiëntenperspectief door het betrekken van de Epilepsievereniging Nederland in commentaarfases. Bij de richtlijn is een module met patiëntinformatie ontwikkeld. Deze is geautoriseerd door de Epilepsie Vereniging Nederland en de Nederlandse Vereniging voor Neurologie.
Methode ontwikkeling
Evidence based
Werkwijze
Algemeen
AGREE
Deze richtlijn is opgesteld en wordt bijgehouden conform de eisen in het rapport ‘Richtlijnen 2.0’ van de adviescommissie Richtlijnen van de Raad WOK. Dit rapport is gebaseerd op het AGREE II instrument (Appraisal of Guidelines for Research & Evaluation II) (https://www.agreetrust.org/). Dit is een internationaal breed geaccepteerd instrument voor de beoordeling van de kwaliteit van richtlijnen.
Uitgangsvragen en uitkomstmaten
Op basis van de lijst met onderwerpen stellen de werkgroepleden en de adviseur concept-uitgangsvragen op. Deze worden met de werkgroep besproken waarna de werkgroep de definitieve uitgangsvragen vaststelt. Vervolgens inventariseert de werkgroep per uitgangsvraag welke uitkomstmaten voor de patiënt relevant zijn. Hierbij wordt zowel naar gewenste als ongewenste effecten gekeken. De werkgroep waardeert deze uitkomstmaten volgens hun relatieve belang als cruciaal, belangrijk en onbelangrijk. Tevens definieert de werkgroep, voor zover mogelijk, wat zij voor een bepaalde uitkomstmaat een klinisch relevant verschil vindt, dat wil zeggen wanneer de verbetering in uitkomst een verbetering voor de patiënt is.
Strategie voor zoeken en selecteren van literatuur
Er wordt eerst oriënterend gezocht naar bestaande buitenlandse richtlijnen en naar systematische reviews in PubMed en voor specifieke onderwerpen in the Cochrane Library, Embase en Psychinfo. Vervolgens wordt voor de afzonderlijke uitgangsvragen aan de hand van specifieke zoektermen gezocht naar gepubliceerde wetenschappelijke studies in (verschillende) elektronische databases. Tevens wordt aanvullend gezocht naar studies aan de hand van de literatuurlijsten van de geselecteerde artikelen. In eerste instantie wordt gezocht naar studies met de hoogste mate van bewijs. De werkgroepleden selecteren de via de zoekactie gevonden artikelen op basis van vooraf opgestelde selectiecriteria. De geselecteerde artikelen worden gebruikt om de uitgangsvraag te beantwoorden. De databases waarin is gezocht, de zoekactie of gebruikte trefwoorden van de zoekactie en de gehanteerde selectiecriteria zijn te vinden onder ‘zoekstrategie’ van de desbetreffende uitgangsvraag.
Voor een aantal vragen is de recente Engelse evidence based richtlijn ‘The epilepsies’ van het NICE (National Institute of Clinical Excellence) als basis gebruikt.
Kwaliteitsbeoordeling individuele studies
Individuele studies worden systematisch beoordeeld op basis van op voorhand opgestelde methodologische kwaliteitscriteria, om zo het risico op vertekende studieresultaten (bias) te kunnen inschatten. Deze beoordelingen kunt u vinden in de evidence tabel.
Samenvatten van de literatuur
De relevante onderzoeksgegevens van alle geselecteerde artikelen worden overzichtelijk weergegeven in evidence tabellen. De belangrijkste bevindingen uit de literatuur worden beschreven in de samenvatting van de literatuur. Bij een aantal interventievragen worden bij voldoende overeenkomsten tussen de studies de gegevens ook kwantitatief samengevat (meta-analyse) met behulp van Review Manager 5.
Beoordelen van de kracht van het wetenschappelijke bewijs
Voor interventievragen
De kracht van het wetenschappelijke bewijs wordt bepaald volgens de GRADE-methode. GRADE staat voor ‘Grading Recommendations Assessment, Development and Evaluation’ (zie https://www.gradeworkinggroup.org/) (Atkins et al, 2004) (zie tabel 1).
Tabel 1. GRADE-indeling van kwaliteit van studies per uitkomstmaat
|
Kwaliteit |
Studiedesign |
Kwaliteit verlagen |
Kwaliteit verhogen |
|
Hoog (4) |
RCT |
1. Studiebeperkingen 2. Inconsistentie 3.Indirectheid 4. Imprecisie 5. Publicatiebias |
1. Groot effect 2. Dosis-respons relatie 3. Plausibele confounding |
|
Matig (3) |
|
||
|
Laag (2) |
Observationele vergelijkende studie (bijvoorbeeld: patëntencontrole onderzoek, cohortonderzoek) |
||
|
Zeer laag (1) |
Niet-systematische klinische observaties (bijvoorbeeld: case series of case reports) |
||
|
RCTs beginnen 'hoog'(4), observationele studies beginnen 'laag'(2) |
|||
Formuleren van conclusies
Voor vragen over de waarde van diagnostische tests, schade of bijwerkingen, etiologie en prognose wordt het wetenschappelijke bewijs samengevat in één of meerdere conclusies, waarbij het niveau van het meest relevante bewijs is weergegeven.
Bij interventievragen verwijst de conclusie niet naar één of meer artikelen, maar wordt de conclusie getrokken op basis van alle studies samen (body of evidence). Hierbij maken de werkgroepleden de balans op van elke interventie. Bij het opmaken van de balans worden de gunstige en ongunstige effecten voor de patiënt afgewogen.
Voor een conclusie die gebaseerd is op (een) studie(s) die niet uit een systematisch literatuuronderzoek naar voren is/zijn gekomen, wordt geen niveau van bewijskracht bepaald. In een dergelijk geval staat bij de conclusie "geen beoordeling" vermeld.
Tabel 2. Niveau van bewijskracht van de conclusie op basis van het aan de conclusie ten grondslag liggend bewijs
|
Niveau |
Conclusie gebaseerd op |
|
Hoog |
Onderzoek van niveau A1 of tenminste twee onafhankelijk van elkaar uitgevoerde onderzoeken |
|
Matig |
één onderzoek van niveau A2 of ten minste twee onafhankelijk van elkaar uitgevoerde onderzoeken van niveau B |
|
Laag |
één onderzoek van niveau B of C |
|
Zeer laag |
Mening van deskundigen |
Overwegingen
Voor een aanbeveling zijn naast het wetenschappelijke bewijs ook andere aspecten belangrijk, zoals de expertise van de werkgroepleden, patiëntenvoorkeuren, kosten, beschikbaarheid van voorzieningen of organisatorische zaken. Deze aspecten worden, voor zover geen onderdeel van de literatuursamenvatting, vermeld onder het kopje ‘Overwegingen’.
Formuleren van aanbevelingen
De aanbevelingen geven een antwoord op de uitgangsvraag en zijn gebaseerd op het beschikbare wetenschappelijke bewijs en de belangrijkste overwegingen.
Randvoorwaarden (organisatie van zorg)
In de knelpuntenanalyse en bij de ontwikkeling van de richtlijn wordt expliciet rekening gehouden met de organisatie van zorg: alle aspecten die randvoorwaardelijk zijn voor het verlenen van zorg (zoals coördinatie, communicatie, (financiële) middelen, menskracht en infrastructuur). Randvoorwaarden die relevant zijn voor het beantwoorden van een specifieke uitgangsvraag maken onderdeel uit van de overwegingen bij de bewuste uitgangsvraag. Meer algemene, overkoepelende, of bijkomende aspecten van de organisatie van zorg worden behandeld in de module ‘Organisatie van zorg’.
Indicatorontwikkeling
Gelijktijdig met het ontwikkelen van de conceptrichtlijn zijn er interne en externe kwaliteitsindicatoren ontwikkeld. Het doel van de indicatoren is om het toepassen van de richtlijn in de praktijk te volgen en te versterken. De werkgroepleden is gevraagd om bestaande indicatoren en indicatoren gebaseerd op aanbevelingen uit de richtlijn te scoren op relevantie en registreerbaarheid. De indicatoren die het hoogst scoorden, zijn in de (concept)richtlijn opgenomen. Een overzicht treft u aan in de bijlage Indicatoren. De indicatoren zijn ook terug te vinden bij de betreffende uitgangsvraag.
Meer informatie over de methode van indicatorontwikkeling is op te vragen bij het Kennisinstituut van Medisch Specialisten.
Lacunes in kennis
De zorg voor patiënten met epilepsie kent nog veel aspecten waarover onzekerheid bestaat wat als optimaal kan worden aangewezen. In vrijwel alle modules van de richtlijn ‘Epilepsie’ zijn lacunes in kennis te onderkennen. Het is daarom zeer gewenst dat er verder wetenschappelijk onderzoek plaatsvindt naar de zorg voor patiënten met epilepsie. De werkgroep inventariseert de lacunes in kennis breed en heeft een aantal onderwerpen benoemd waarvan zij van mening is dat onderzoek hiernaar prioriteit verdient. Een overzicht treft u aan in de bijlage Kennislacunes.
Commentaar- en autorisatiefase
De richtlijn is in 2013 aan de betrokken (wetenschappelijke) verenigingen voorgelegd voor commentaar. De commentaren werden verzameld en besproken met de werkgroep. Naar aanleiding van de commentaren werd de conceptrichtlijn aangepast en definitief vastgesteld door de werkgroep. De definitieve richtlijn werd aan de betrokken (wetenschappelijke) verenigingen voorgelegd voor autorisatie en door hen geautoriseerd.
Vanaf 2013 wordt de richtlijn jaarlijks geactualiseerd (zie onder Herziening). De werkgroep doet aan het einde van het jaar een voorstel met welke modules zij denkt dat een commentaarronde nodig is aan de commissie Kwaliteit/subcommissie Richtlijnen van de Nederlandse Vereniging voor Neurologie (NVN). Hierbij is het uitgangspunt dat alleen die wijzigingen die eventueel tot discussie binnen de diverse beroepsgroepen kunnen leiden ter commentaar en tevens ter autorisatie voorgelegd worden. Alle andere wijzigingen worden doorgevoerd onder eigen verantwoordelijkheid van de werkgroep. De subcommissie Richtlijnen van de NVN beslist uiteindelijk welke modules aan de betrokken beroepsverenigingen worden voorgelegd. Voor die modules wordt eerst een commentaarfase gestart. Al het commentaar dat digitaal binnenkomt wordt gebundeld en in de werkgroep besproken en eventueel verwerkt in de richtlijnmodule. Vervolgens worden de aangepaste modules van de richtlijn voor autorisatie aangeboden. Bij akkoord van de beroepsverenigingen worden de geactualiseerde teksten definitief gepubliceerd op de website. De beroepsverenigingen worden hiervan op de hoogte gebracht.
Nieuwe uitgangsvragen
Als gebruikers van de richtlijn een belangrijk onderwerpen missen, kunnen zij een suggestie voor een nieuwe uitgangsvraag aanleveren bij de werkgroep (met motivering). De werkgroep zal jaarlijks de ontvangen suggesties bespreken en besluiten welke vragen opgenomen worden in de richtlijn.
Economische evaluaties
Doelmatigheid van behandeling
Sinds mei 2016 wordt aan de richtlijn ook kennis over de doelmatigheid (kosteneffectiviteit) van de epilepsiebehandeling meegenomen, ook wel economische evaluatie genoemd. Om deze kennis te verkrijgen is een systematische literatuur studie uitgevoerd (Wijnen et al., 2017, Wijnen et al., 2015). De gebruikte methodologie om de economische evaluaties in te bouwen in klinische richtlijnen is beschreven in een drietal papers (Wijnen et al., 2016, Mastrigt van et al., 2016, Thielen et al., 2016).
Databases
In MEDLINE (via PubMed), EMBASE en NHS economische evaluatie Database (NHS EED) is gezocht op kosteneffectiviteitsstudies. Voor bestaande systematische reviews, werden Cochrane Reviews, Cochrane DARE en Cochrane Health Technology Assessment Databases gebruikt.
Zoekstrategieën
Voor de identificatie van relevante studies zijn vooraf gedefinieerde klinische zoekstrategieën gecombineerd met een gevalideerd zoekfilter van McMaster University om economische evaluaties te identificeren (McMaster). Bij de zoekstrategieën hebben we ons beperkt tot therapeutische interventies.
Beoordeling van de studies
Om te beoordelen of de economische evaluaties kunnen worden opgenomen in de richtlijn is iedere gevonden studie beoordeeld aan de hand van zeven vragen. In deze pdf is de uitwerking van de verschillende vragen te vinden. Deze vragen zijn gebaseerd op de Consensus on Health Economics Criteria checklist (Evers et al., 2005) en de Welte transferability checklist (Welte et al., 2004).
Referenties
- Atkins, D., Best, D., Briss, P.A., Eccles, M., Falck-Ytter, Y., Flottorp, S., Guyatt, G.H., Harbour, R.T., Haugh, M.C., Henry, D., Hill, S., Jaeschke, R., Leng, G., Liberati, A., Magrini, N., Mason, J., Middleton, P., Mrukowicz, J., O’Connell, D., Oxman, A.D., Phillips, B., Schünemann, H.J., Edejer, T.T., Varonen, H., Vist, G.E., Williams, J.W. Jr, Zaza, S. GRADE Working Group. (2004). Grading quality of evidence and strength of recommendations. BMJ Jun; 19, 328(7454):1490.
- van Everdingen, J.J.E., Burgers, J.S., Assendelft, W.J.J., Swinkels, J.A., van Barneveld, T.A., van de Klundert, J.L.M. (2004). Evidence-based richtlijnontwikkeling. Bohn Stafleu Van Loghum.
- Evers, S., Goossens, M., De Vet, H., Van Tulder, M., Ament, A. (2005). Criteria list for assessment of methodological quality of economic evaluations: Consensus on Health Economic Criteria. International journal of technology assessment in health care. 21(02):240-245.
- van Mastrigt, G. A., Hiligsmann, M., Arts, J. J., Broos, P. H., Kleijnen, J., Evers, S. M., & Majoie, M. H. (2016). How to prepare a systematic review of economic evaluations for informing evidence-based healthcare decisions: a five-step approach (part 1/3). Expert Rev Pharmacoecon Outcomes Res (Nov 2), 1-16. doi: 10.1080/14737167.2016.1246960.
- McMaster University. (2016, Feb 09). Search Strategies for EMBASE in Ovid Syntax, from http://hiru.mcmaster.ca/hiru/HIRU_Hedges_EMBASE_Strategies.aspx.
- Thielen, F. W., Van Mastrigt, G., Burgers, L. T., Bramer, W. M., Majoie, H., Evers, S., & Kleijnen, J. (2016). How to prepare a systematic review of economic evaluations for clinical practice guidelines: database selection and search strategy development (part 2/3). Expert Rev Pharmacoecon Outcomes Res (Nov 2), 1-17. doi: 10.1080/14737167.2016.1246962.
- Welte, R., Feenstra, T., Jager, H., & Leidl, R. (2004). A decision chart for assessing and improving the transferability of economic evaluation results between countries. Pharmacoeconomics, 22(13), 857-876.
- Wijnen, B., van Mastrigt, G., Evers, G., Gershuni, O., Lambrechts, D., Majoie, H., & De Kinderen, R. (2015). Review of economic evaluations of treatments for patients with epilepsy. Prospero: International prospective register of systematic reviews. Retrieved from http://www.crd.york.ac.uk/PROSPERO/display_record.asp?ID=CRD42015019278.
- Wijnen, B., van Mastrigt, G., Redekop, W. K., Majoie, H., de Kinderen, R., & Evers, S. (2016). How to prepare a systematic review of economic evaluations for informing evidence-based healthcare decisions: data extraction, risk of bias, and transferability (Part 3/3). Expert Rev Pharmacoecon Outcomes Res (Oct 21). doi: 10.1080/14737167.2016.1246961.
- Wijnen, B. F., van Mastrigt, G. A., Evers, S. M., Gershuni, O., Lambrechts, D. A., Majoie, M. H., . . . de Kinderen, R. J. (2017). A systematic review of economic evaluations of treatments for patients with epilepsy. Epilepsia. doi: 10.1111/epi.13655.